패키지 불러오기

# install.package("pacman") # 여러 개의 패키지를 한 번에 불러올 수
                            # 있게끔 도와주는 패키지
# pacman::p_load(here, lubridate, ezpickr, tidyverse)
library(here)       # 현재 작업디렉토리를 R-스크립트가 위치한 디렉토리로 자동설정하는 패키지
library(lubridate)  # 날짜시각 데이터를 원활하게 가공하는 데 특화된 패키지
library(ezpickr)    # 다른 확장자의 파일을 R로 불러오기 위한 패키지
library(tidyverse)  # 데이터 관리 및 전처리를 위한 주요 패키지

들어가기에 앞서서 간단한 기본 함수들을 리뷰해보도록 하겠습니다.

x <- 10
add_one <- function(x) x + 10
add_one(5) # 결과가 15일까, 20일까요?

## [1] 15

자칫하면 위의 함수에서 x <- 10으로 x라는 객체에 10을 넣었기 때문에 10 + 10이 되어 결과를 20으로 리턴할 것이라고 생각할 수 있습니다. 하지만 어디까지나 add_one 함수가 정의되고 난 이후, x는 add_one()의 괄호 안에 들어가는 값으로 재정의되었습니다. 따라서 5를 add_one()에 투입한 순간, 그 함수는 5 + 10을 계산하게 되어 결과는 15가 됩니다.

new_add_one <- function(x) x + 10 # 그렇다면 이 경우는 어떨까요?
new_add_one() 

## Error in new_add_one(): argument "x" is missing, with no default

이번에는 new_add_one() 함수를 정의하고, x 값을 따로 주지 않고 빈 함수를 작동시켰습니다. 이때, new_add_one()은 주어진 투입값(input)이 없기 때문에, 함수에 요구되는 x를 찾기 위해 함수 안에서 x를 탐색하는 것을 넘어서 한 단계 위에서 x를 찾습니다. 바로 처음에 만든 x <- 10을 불러오는 것입니다. 따라서 10 + 10, 20을 출력하게 됩니다.

그럼 여기서 함수와 객체의 관계에 대해 다시 한 번 살펴보도록 하겠습니다.

print_hello_world <- function() {
  z <- "Hello, world"
  print(z)
}

print_hello_world()

## [1] "Hello, world"

print(z)

## Error in print(z): object 'z' not found

print_hello_world() 함수를 작동시키면 함수 내에서 정의된 객체 z의 값을 반환합니다. 그렇지만 그 z는 어디까지나 함수 내에서만 정의된 것이지 R의 글로벌 환경에 저장된 객체는 아닙니다. 따라서 함수 내에서 정의된 z를 출력하라고 명령하면, 오류 코드를 확인하게 됩니다.

R에서 객체를 제외하고 작동하는 모든 기능들은 ’함수’라고 부릅니다. 그리고 함수는 같은 결과를 다른 방식으로 출력할 수도 있습니다.

5 + 5     # 간단하게 말하자면 이 함수(+)는

## [1] 10

`+`(5, 5) # 이런 식으로도 쓸 수 있습니다.

## [1] 10

또한, 기존에 R에는 내장되지 않았던 함수도 별도로 특정하게 지정하여 만들 수 있습니다. 그러나 이 경우에는 별도의 패키지로 만들어서 저장해주지 않는 한, R 코드가 작성된 해당 세션에서만 지속되는 함수일 뿐입니다.

아래는 문자열과 문자열을 하나로 합치고 있는데, 일반적으로 두 객체를 합칠 때 쓰는 함수인 +는 숫자형 객체 간에만 기능합니다. 따라서 문자열끼리 합쳐주는 함수, paste()와 동일한 기능을 하는 별도의 함수 기호를 하나 만들어 보겠습니다.

print("hello" + "world") # 오류메시지를 확인할 수 있습니다. 

## Error in "hello" + "world": non-numeric argument to binary operator

                         # +는 숫자형 객체들에만 작동하기 때문입니다.
paste("hello ", "world")

## [1] "hello  world"

`%+%` <- function(lhs, rhs) paste0(lhs, rhs)
print("hello " %+% "world")

## [1] "hello world"

이제 패키지를 불러오는 작업과 간단한 함수, 그리고 객체의 특성에 대해 리뷰했으니 다음으로 넘어가 보도록 하겠습니다.

작업 디렉토리 설정하기

아까 불러온 here 패키지의 here() 함수를 사용해보도록 하겠습니다. here()를 사용하면 자동으로 현재 R-스크립트가 저장된 경로를 확인, 복사합니다. %>%는 파이프 왼쪽의 기능 이후에 오른쪽의 기능을 적용시키는 지정된 함수로 tidyverse 패키지가 가지고 있는 강점 중 하나라고 할 수 있습니다.

이 파이프 함수를 이용하여 우리는 코드를 보다 논리적으로, 그리고 정연하게 작성하여 가독성을 높일 수 있습니다.

here() %>% setwd() # here()로 R-스크립트의 디렉토리를 확인하고 난 다음에
                   # 그 디렉토리로 작업 디렉토리를 설정(set working directory, setwd)하라는
                   # 함수를 작동시킨 것입니다.

이렇게 작업 디렉토리를 설정하였다면, 이제 데이터를 불러와 보겠습니다.: ggplot 패키지에 내장된 diamonds 데이터를 사용해보도록 하겠습니다. ggplot2 패키지가 로드 되어 있다면 해당 데이터는 쉽게 불러올 수 있습니다.

## diamonds data를 df 라는 이름으로 저장
df <- diamonds
class(df)

## [1] "tbl_df"     "tbl"        "data.frame"

dplyr 패키지를 이용한 데이터 전처리

## 데이터의 행의 개수를 확인하는 함수입니다.
nrow(df)   

## [1] 53940

## 데이터의 열의 개수를 확인하는 함수입니다.
ncol(df)   

## [1] 10

## 데이터에 속한 관측치의 개수를 확인하는 함수이다.
length(df) 

## [1] 10

## 기본적으로 R에 내장된 함수들을 이용하여 변수를 만들고 목록화하기(indexing)

## index라는 새로운 변수를 만들고 행의 수로 연번 매기기
df$index <- 1:nrow(df) 

## 맨 위의 몇 개 행을 보여줍니다.
head(df)               

## 데이터의 구조를 깔끔하게 보여주는 함수입니다.
glimpse(df)            

## Rows: 53,940
## Columns: 11
## $ carat   <dbl> 0.23, 0.21, 0.23, 0.29, 0.31, 0.24, 0.24, 0.26, 0.22, 0.23,...
## $ cut     <ord> Ideal, Premium, Good, Premium, Good, Very Good, Very Good, ...
## $ color   <ord> E, E, E, I, J, J, I, H, E, H, J, J, F, J, E, E, I, J, J, J,...
## $ clarity <ord> SI2, SI1, VS1, VS2, SI2, VVS2, VVS1, SI1, VS2, VS1, SI1, VS...
## $ depth   <dbl> 61.5, 59.8, 56.9, 62.4, 63.3, 62.8, 62.3, 61.9, 65.1, 59.4,...
## $ table   <dbl> 55, 61, 65, 58, 58, 57, 57, 55, 61, 61, 55, 56, 61, 54, 62,...
## $ price   <int> 326, 326, 327, 334, 335, 336, 336, 337, 337, 338, 339, 340,...
## $ x       <dbl> 3.95, 3.89, 4.05, 4.20, 4.34, 3.94, 3.95, 4.07, 3.87, 4.00,...
## $ y       <dbl> 3.98, 3.84, 4.07, 4.23, 4.35, 3.96, 3.98, 4.11, 3.78, 4.05,...
## $ z       <dbl> 2.43, 2.31, 2.31, 2.63, 2.75, 2.48, 2.47, 2.53, 2.49, 2.39,...
## $ index   <int> 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, ...

## tibble 유형의 데이터 df의 첫 12개 행을 보여줍니다.
print(df, n = 12) 

## # A tibble: 53,940 x 11
##    carat cut       color clarity depth table price     x     y     z index
##    <dbl> <ord>     <ord> <ord>   <dbl> <dbl> <int> <dbl> <dbl> <dbl> <int>
##  1 0.23  Ideal     E     SI2      61.5    55   326  3.95  3.98  2.43     1
##  2 0.21  Premium   E     SI1      59.8    61   326  3.89  3.84  2.31     2
##  3 0.23  Good      E     VS1      56.9    65   327  4.05  4.07  2.31     3
##  4 0.290 Premium   I     VS2      62.4    58   334  4.2   4.23  2.63     4
##  5 0.31  Good      J     SI2      63.3    58   335  4.34  4.35  2.75     5
##  6 0.24  Very Good J     VVS2     62.8    57   336  3.94  3.96  2.48     6
##  7 0.24  Very Good I     VVS1     62.3    57   336  3.95  3.98  2.47     7
##  8 0.26  Very Good H     SI1      61.9    55   337  4.07  4.11  2.53     8
##  9 0.22  Fair      E     VS2      65.1    61   337  3.87  3.78  2.49     9
## 10 0.23  Very Good H     VS1      59.4    61   338  4     4.05  2.39    10
## 11 0.3   Good      J     SI1      64      55   339  4.25  4.28  2.73    11
## 12 0.23  Ideal     J     VS1      62.8    56   340  3.93  3.9   2.46    12
## # ... with 53,928 more rows

## 마지막 5개 행을 제외한 행을 보여줍니다.
df %>% slice(nrow(df) - 5:nrow(df))  

## 뒤에서부터 12개 행을 보여줍니다.
df %>% slice(nrow(df):12)            

## 원하는 행만을 보여줍니다.
df %>% slice(c(1, 7, 54))            

## 결측치의 수를 계산하는 함수
sum(is.na(df)) 

## [1] 0

## 위와 동일한 함수
df %>% is.na() %>% sum() 

## [1] 0

df %>% map_int( function(x) is.na(x) %>% sum() %>% as.integer() )

##   carat     cut   color clarity   depth   table   price       x       y       z 
##       0       0       0       0       0       0       0       0       0       0 
##   index 
##       0

## 위와 동일하지만 double 유형의 데이터로 반환하는 함수입니다.
df %>% map_dbl( function(x) is.na(x) %>% sum() ) 

##   carat     cut   color clarity   depth   table   price       x       y       z 
##       0       0       0       0       0       0       0       0       0       0 
##   index 
##       0

## 자료유형 integer
typeof(df %>% map_int( function(x) is.na(x) %>% sum() %>% as.integer() )) 

## [1] "integer"

## 자료유형 double
typeof(df %>% map_dbl( function(x) is.na(x) %>% sum() ))                  

## [1] "double"

## 만약 변수명을 따로 보기 싫다면? unname() 함수 추가
df %>% map_int( function(x) is.na(x) %>% 
                  sum() %>% as.integer() ) %>% unname()

##  [1] 0 0 0 0 0 0 0 0 0 0 0

## 벡터 객체는 값에 라벨링을 할 수 있습니다.
c(one = 1, two = 2, three = 3)         

##   one   two three 
##     1     2     3

# unname()을 사용하면 그 라벨링을 제외한 순수한 요소의  값만을 확인할 수 있습니다.
unname(c(one = 1, two = 2, three = 3)) 

## [1] 1 2 3

get_number_of_missings_in_vector <- function(some_vector) {
  result <- some_vector %>%
    is.na() %>%
    sum() %>%
    as.integer()
  return(result)
}
get_number_of_missings_in_vector(df)

## [1] 0

df %>% na.omit()

example <- matrix(c(1, 2, 3, NA), nrow = 2, byrow = T) %>%
  as.data.frame()
example %>% na.omit()

## 결측치를 제거한 example 데이터를 재저장 하지 않았기 때문에 결측치가 그대로 남아있습니다.
example  

example <- example %>% na.omit()

## 결측치가 제거되어 있는 것을 확인할 수 있습니다.
example  

dplyr패키지의 주요 함수들

## df 데이터의 cut이라는 변수가 Ideal이라는 값을 가질 경우만 보여주면,
df %>% dplyr::filter(cut == "Ideal")  

## 조건을 여러 개 걸 수도 있습니다.
df %>% dplyr::filter(cut %in% c("Ideal", "Premium")) 

## %in% 함수는 우측에 지정한 객체가 좌측에 포함되어 있냐는 것을 묻는 논리형의 기능을 수행합니다.

## %in% 함수를 자세히 알아보겠습니다.
## names_라는 객체에 세 이름이 있을 때, 
names_ <- c("Sara", "Robert", "James") 

## names_안에 James라는 이름이 있으면?
"James" %in% names_                    

## [1] TRUE

## df 데이터 중 carat ,color, x 변수만 선택합니다.
df %>% select(carat, color, x)            

## carat과 color를 제외한 나머지 변수들만 선택합니다.
df %>% select(-carat, -color, x)          

## 변수의 순서 정리: depth, price, 나머지는 그대로 둡니다.
df %>% select(depth, price, everything()) 

## 문자열인 변수들만 남깁니다.
df %>% select_if(is.character)            

## 인덱싱 기능을 이용하여 열번(number of columns)을 이용해 select()를 활용해보겠습니다.
## 첫 번째부터 세 번째 변수만을 선택하겠습니다.
df %>% select(1:3)         

## 첫 번째, 두 번째, 여섯 번째 변수를 제외하고 나머지를 선택하겠습니다.
df %>% select(-c(1, 2, 6)) 

## select() 함수는 범용성이 높다. 변수명이 어떤 글자로 시작하는지, 끝나는지, 
## 혹은 어떤 글자를 포함하는지에 따라서도 select()를 적용하여 변수를 선택할수 있습니다.
df %>% select(starts_with("c"))

df %>% select(ends_with("y"))

df %>% select(contains("olo"))

## 마찬가지로 제외하는 함수(-)도 적용됩니다.
df %>% select(-contains("olo"))

## 새 변수 + 기존 변수
df %>% select(new_depth = depth, new_color = color, everything())  

## 기존 변수 + 새 변수
df %>% select(everything(), new_depth = depth, new_color = color)  

## select()로도 변수명을 바꿀 수 있지만, rename()을 이용하면 굳이 everything() 안쓰고도
## 간단하게 할 수 있습니다. 역시 편법은 쓰는 게 아닙니다.
df %>% rename(new_depth = depth, new_color = color)

## 한 번에 모든 변수들의 이름을 일괄적으로 변경할 수도 있습니다.
df %>% rename_all(function(x) str_c(x, "_new"))

df %>% rename_all(function(x) str_to_upper(x))

## 특정한 조건을 가진 변수들만 이름을 변경할 수 있습니다.
df %>% rename_at(             # rename_at()으로 조건을 특정합니다.
  vars( starts_with("c") ),   # "c"로 이름이 시작하는 변수들을 대상으로
  function(x) str_to_upper(x) # 어떻게? 모두 변수명을 대문자로 바꿉니다.
)

## rename_if() 함수를 이용하면 특정 조건을 충족하는 변수들의 이름을 변경할 수 있습니다.
## 숫자형인 변수들의 이름을 대문자로 바꿔라.
df %>% rename_if( is.numeric, str_to_upper ) 

## 이 경우 문자형 값을 가지는 color, cut 등은 변수명이 바뀌지 않는 것을 확인할 수 있습니다.

## 기존 carat 변수에 10배가 된 값을 가진 새로운 변수 carat_multiplied를 만들도록 하겠습니다.
df %>% mutate(carat_multiplied = carat * 10) 

## 기존 carat 변수의 값에 10배를 곱하겠습니다.
df %>% mutate(carat = carat * 10)            

## 첫 번째 코딩과 두 번째 코딩의 차이점은 첫 번째 코딩은 기존 변수를 이용해
## 새 변수를 만든 것이고, 두 번째 코딩은 기존 변수 자체의 값을 바꾸어 버린 것입니다.

df %>% select(carat) %>%
  mutate(
    caret_times_2 = carat * 2,
    caret_times_2_times_2 = caret_times_2 * 2,
    caret_times_2_times_2_times_3 = caret_times_2_times_2 * 3
  )

## mutate() 함수 역시 _at, _all, _if의 세부함수를 가집니다.
## 변수가 문자형이거든 요인형으로 바꿉니다.
df %>% mutate_if(is.character, factor)  

## color, clarity 변수를 요인형으로 바꿉니다.
df %>% mutate_at(vars( color, clarity ), factor) 

## 모든 변수들을 문자형으로 바꿉니다.
df %>% mutate_all(as.character) 

다른 dplyr 패키지의 유용한 함수들

## price 기준으로 오름차순 정렬
df %>% select(price, everything()) %>% arrange(price) 

## price 기준 내림차순 정렬
df %>% select(price, everything()) %>% arrange(desc(price)) 

## color, cut을 맨 앞으로 빼고 전체 변수는 price 기준으로 내림차순 정렬
df %>% arrange(color, cut, desc(price))  

df %>% group_by(cut) %>%     # df의 cut 변수 유형별로 묶었습니다.
  ## 그렇게 묶인 데이터가 파이프로 넘어가고, 가격 기준 내림차순 정렬
  arrange(desc(price)) %>%   
  ## 컷팅 유형별 + 가격 기준 내림차순 중 첫 두 행만 보여주라는 코드
  slice(1 : 2)               

## group_by()를 사용하지 않았을 때와 비교해보도록 하겠습니다.
df %>% arrange(desc(price)) %>% slice(1:2)

## 이 경우는 전체 df 데이터에서 가격 순으로 1, 2위의 값만 갖게 됩니다.
## cut 변수는 반영되지 않습니다.

df_group <- df %>% group_by(cut) %>%
  arrange(desc(price)) %>%
  slice(1:2)
class(df_group)

## [1] "grouped_df" "tbl_df"     "tbl"        "data.frame"

df_group

## 따라서 ungroup()을 이용하여 일반적인 티블로 다시 바꿔줍니다.
df_group <- df %>% group_by(cut) %>%
  arrange(desc(price)) %>%
  slice(1:2) %>%
  ungroup() # 원래의 티블로 돌아와!
class(df_group)

## [1] "tbl_df"     "tbl"        "data.frame"

df %>% count(cut)

## count()함수를 group_by() 함수로 바꾸어서 표현하면 아래와 같습니다.
df %>% group_by(cut) %>% summarise(n = n())

## group_by() 함수는 summarise() 함수와 결합될 경우 다양한 응용이 가능합니다.
## 여기서 summarise는 총계를 구하라는 것이 아니라 데이터를 요약정리해서 보여줄 수 있는
## 여러 함수들을 통칭하는 것입니다.
df %>%
  group_by(cut) %>%
  ## 컷팅 유형별로 평균 가격을 계산하라.
  summarise(price_mean = mean(price)) 

df %>%
  select(cut, x, y, z) %>%       # cut, x, y, z 변수만 df 티블에서 뽑아내어
  group_by(cut) %>%              # cut 유형별로 그룹화.
  ## 그리고 각 컷팅유형 별로 x, y, z의 평균을 구하도록 하겠습니다.
  summarise_all(mean, na.rm = T)

## 평균에 더하여 중앙값, 최소값, 최대값도 구해보도록 하겠습니다. 
df %>% group_by(cut) %>%
  summarise_at(            # 특정한 변수인 x, y, z를 대상으로
    vars(x, y, z),         # list 뒤의 함수들을 적용합니다.
    list(mean, median, min, max),
    na.rm = T)   # mean 등은 데이터에 결측치가 있으면 결측치를 반환하므로

                 # 결측치 제거(remove na)가 TRUE이도록 설정합니다.

## 컷팅 유형별로 그룹화한 다음에 숫자형 변수들일 경우에만 평균을 계산해 보겠습니다.
df %>% group_by(cut) %>%
  summarise_if(is.numeric, mean, na.rm = T)

## 동일한 코드이지만 표현식이 조금 다릅니다.
df %>% group_by(cut) %>%
  summarise_if(is.numeric, function(x) mean(x, na.rm = T))

df %>% group_by(cut) %>%
  summarise_if(is.numeric, ~ mean(., na.rm = T))

데이터 결합하기(Join data)

연구를 진행하다보면 하나로 분석에 필요한 모든 변수가 포함된 데이터를 만나기란 하늘에 별 따기라는 것을 알 수 있습니다. 따라서 서로 다른 소스에서 필요한 변수들을 추출해 하나의 데이터로 구성하는, 데이터 결합 작업이 중요합니다. 보통은 머징(merging)이라고도 많이 합니다.

일단 미국의 주 이름 객체 반복추출(replacement)가 가능하도록 설정하고 총 250개의 관측치를 가지는 표본을 만들어 보겠습니다. 변수명이 state_name인 티블을 하나 만들겁니다. 250의 관측치들은 미국의 각 주 이름이 중복되어 존재하게 됩니다.

• sample() 함수의 replace = T 옵션은 상자 안에서 공을 꺼낼 때, 한 번 꺼낸 공을 다시 집어넣고 다시 꺼낼 수 있다는 것을 의미합니다.
• 이렇게 반복추출된 state_name 변수는 미국 각 주의 이름이 무작위로 반복추출되어 총 250개의 관측치를 가지게 됩니다.

states_df <- tibble(state_name = sample(state.name, 250, replace = T))
states_df %>% count(state_name)

이번에는 state_name와 미국 주 이름의 약자를 의미하는 state_abb 변수를 만들어보겠습니다. 즉, states_table은 미국의 50개 주의 이름과 약자의 두 변수를 가지고 있는 티블입니다.

states_table <- tibble(
  state_name = state.name, state_abb = state.abb
)
head(states_table)

자, 이제 250개의 관측치를 갖는 state_df 티블과 50개의 관측치 값을 갖는 states_table 티블을 결합해보겠습니다. 기준은 left_join()이므로 states_df가 됩니다. 따라서 우리는 states_df의 모든 관측치를 유지한 채로 states_table의 관측치를 옮겨 붙일 것입니다.

left_join(states_df, states_table) %>% print( n = 10 )

## # A tibble: 250 x 2
##    state_name     state_abb
##    <chr>          <chr>    
##  1 Georgia        GA       
##  2 South Dakota   SD       
##  3 Connecticut    CT       
##  4 Florida        FL       
##  5 South Carolina SC       
##  6 South Carolina SC       
##  7 New Jersey     NJ       
##  8 Hawaii         HI       
##  9 Nevada         NV       
## 10 Texas          TX       
## # ... with 240 more rows

이게 가능한 이유는 두 티블 사이에 공통의 변수, state_name이 존재하기 때문입니다. 이 경우는 자동으로 묶였지만 어떤 변수를 기준으로 그룹화할 것인지 지정해줄 수도 있습니다.

left_join(states_df, states_table, by = 'state_name') %>% 
  print( n = 10 )

## # A tibble: 250 x 2
##    state_name     state_abb
##    <chr>          <chr>    
##  1 Georgia        GA       
##  2 South Dakota   SD       
##  3 Connecticut    CT       
##  4 Florida        FL       
##  5 South Carolina SC       
##  6 South Carolina SC       
##  7 New Jersey     NJ       
##  8 Hawaii         HI       
##  9 Nevada         NV       
## 10 Texas          TX       
## # ... with 240 more rows

이외에도 right_join(), inner_join(), full_join(), 그리고 anti_join()과 같은 함수로 결합할 수도 있습니다. 자세한 내용은 tidyverse 패키지 중 결합(join)에 관한 내용에서 살펴볼 수 있습니다. 결합, 머징에 관한 내용은 추후 더 구체적으로 다루어 보도록 하겠습니다.

일단 예시로 anti_join() 함수가 어떻게 쓰이는지 보겠습니다. anti_join()은 대개 텍스트 분석에서 사용됩니다.

text_df <- tibble(
  text = c('the fox is brown and the dog is black and the rabbit is white')
)
library(tidytext)
text_df <- text_df %>%
  unnest_tokens(word, text) # text를 어절로 분해
text_df

## 특정 어절은 제외하고 단어만.
text_df %>% anti_join(tidytext::stop_words, by = 'word') 

변수 재코딩(recoding)

먼저 18세부터 90세 사이의 연령 중 25개를 표본으로 뽑아보겠습니다. 이때, 반복추출이 가능하게 설정합니다.

1. if else()

test <- tibble(age = sample(c(18:90, NA), 25, T))
test <- test %>%
  mutate(
    age_bins <- if_else(
      is.na(age), NA_character_, # NA_character를 써주는 이유는
      if_else( # 한 벡터는 하나의 자료유형만 가질 수 있기 때문입니다.
        age < 25, "Young", # 여기서 다른 값들은 모두 문자열인데, NA만 논리형입니다.
        ifelse(  # 따라서 문자형 NA를 가지라고 지정해주는 것입니다.
          age > 75, "Old", "Middle Aged" # dplyr의 if_else()의 특징입니다.
        )                                # R에 내장된 기본함수 ifelse()는 자료유형을
                                         # 구분하지 못합니다.
      ) # if_else()는 다른 자료유형이 섞이면 error를 보여줍니다.
    )
  )
test

원하는 결과를 얻지만 만약 변수가 많아지면 조건이 많아지면서 조건을 설정하는 것과 코드를 읽는 것이 불편하다는 단점이 있습니다.

2. case_when()

좀 더 코드가 읽기 편한 case_when()을 소개하겠습니다.

test <- test %>%
  mutate(
    age_bins = case_when(
      age < 25 ~ "Young",
      age >= 25 & age < 75 ~ "Middle Aged",
      age >= 75 ~ "Old", 
      TRUE ~ NA_character_ # 위의 조건에 위배되는 경우가 맞다면, 
                           # NA_character_를 부여합니다.
    )
  )

핵심적인 그래픽 요소들

모든 ggplot2로 그린 플롯은 3개의 주요 요소를 가집니다.

1. 먼저 너무나 당연하게도 플롯의 바탕이 되는 데이터입니다.
2. 둘째로 변수와 그래픽 속성 간의 관계를 나타내 주는 미학적 지도(aesthetic mappings)입니다.
3. 관측치를 보여줄 수 있는 최소한 하나 이상의 층위(레이어)가 필요합니다. 이러한 층위는 geom_*이라는 함수로 나타낼 수 있습니다.

간단한 예제

ggplot(mpg,    # 우리가 그리고 싶은 데이터를 주고
  aes(x = displ, y = hwy)) +  # 어떤 변수들을 시각화하고 싶은지 지정합니다
  geom_point() # 점으로 기하학적 객체를 표현하라는 레이어를 덧붙입니다.

어떻게 데이터와 미학적 지도가 ggplot() 함수에 제공되는 지 눈치채셨나요? 그리고 앞의 함수를 살펴보면 추가적인 레이어가 +로 더해진 것을 확인할 수 있습니다. 그리고 미학적 지도는 항상 aes()의 함수 형태로 특정되는 것을 알 수 있습니다.

이 플롯에 변수를 몇 개 더 집어넣어보기 위해서는 colour, shape, 그리고 size와 같은 함수들을 이용할 수 있습니다. ggplot2의 몇몇 함수들은 영국식 스펠링을 가지고 있는데, 미국식 스펠링도 허용하니까 편하게 사용하면 됩니다. 추가적인 함수들도 x와 y라는 미학적 지도 함수를 사용했던 것과 동일하게 적용하면 됩니다. aes() 안에 집어넣으면 되는 것이죠.

ggplot(mpg, aes(displ, hwy, color = class, shape = drv, size = cyl)) +
  geom_point()

좀 더 익숙해지면 굳이 aes() 안에 x와 y를 지정해주지 않아도 됩니다. 왜냐면 맨 처음에 입력한 두 값은 자동으로 x와 y에 배정되기 때문입니다. 즉, aes(x = displ, y = hwy)나 aes(displ, hwy)나 동일합니다.

또한, color, shape, 그리고 size와 같은 추가적인 미학 함수들은 aes() 함수 내에서 특정되어야 합니다. 즉, x나 y 처럼 그냥 적으면 R이 알아먹지를 못합니다.

ggplot(mpg, aes(displ, hwy, color = class)) +
  geom_point()

만약 특정한 시각화를 위한 변수를 고정적인 값으로 설정하고 싶다면, 다음과 같이 aes()를 따로 빼내어서 지정해주면 됩니다.

ggplot(mpg, aes(displ, hwy)) + geom_point(aes(colour = "blue"))

## 점의 색이 파랑색이 아니라 붉은 색이고 범례에 blue라고 쓰여진 것을 확인할 수 있습니다.

ggplot(mpg, aes(displ, hwy)) + geom_point(colour = "blue")

## 이렇게 하면 범례가 없이 원하던 파랑색을 얻을 수 있습니다.

ggplot(mpg, aes(displ, hwy)) + geom_point(aes(colour = "hello"))

마지막 플롯에서 붉은 색을 다시 한 번 얻게되는 이유는 그 색이 aes() 내부에 특정한 값을 지정하여 넣었을 때의 디폴트 색이기 때문입니다. 즉, 어떨 때 사용할 수 있냐면, 레이어를 겹겹히 쌓으면서 서로 다른 값을 보여주는 점들을 하나의 플롯에 다양하게 보여주고 싶을 때, var1, var2 이런 식으로 geom_point(aes(color = "var1")) 이런 식으로 더하면 바로 범례에 추가하면서 서로 다른 색의 다른 변수를 보여주는 플롯을 그릴 수 있을 것입니다.

분류형 변수의 서로 다른 수준 간의 차이를 보여주는 데에는 직접 플롯에 color나 size를 조정하는 것 말고도 facets을 이용하는 방법도 있습니다. facet_wrap()이나 facet_grid()를 사용할 수 있는데, facet_wrap()이 조금 더 유용합니다.

ggplot(mpg, aes(displ, hwy)) +
  geom_point() +
  facet_wrap(~ class)

ggplot 플롯에 더할 수 있는 다양한 유형의 geom_* 함수들로는, geom_point(), geom_bar() (또는 geom_col()), geom_path() (또는 geom_line()), 부드러운 맞춤 선을 그려주는 geom_smooth(), 그리고 geom_boxplot() 등이 있습니다.

ggplot(mpg, aes(displ, hwy)) +
  geom_point() +
  geom_smooth() # 자동으로 국소가중선형회귀(Locally Weighted Scatterplot Smoother, LOWESS) 곡선을 추정해서 그려줍니다.

선형 모델을 그리는 데에도 사용할 수 있습니다.

lm_plot <- ggplot(mpg, aes(displ, hwy)) +
  geom_point(color = "#bd574e") +
  geom_smooth(method = 'lm', color = "#ffad87") + 
  theme_bw()
lm_plot # 위의 컬러코드에 대해서는 다음을 참고하세요: colorhunt.co

이게 익숙해지면 제곱항과 같이 자신의 함수를 다양하게 구성해서 ggplot 함수에 투입, 플롯으로 나타낼 수 있습니다.

## 함수를 직접 투입해보겠습니다.
ggplot(mpg, aes(displ, hwy)) +
  geom_point() +
  geom_smooth(method = "lm", formula = y ~ I(x^2)) +
  ggthemes::theme_gdocs() ## ggthemes 패키지는 다양한 테마를 제공합니다.

MASS 패키지 등을 이용하여 이탈치(outliers)의 영향을 받지 않는 로버스트 선형모델을 사용하여 플롯으로 보여줄 수 있습니다.

library(MASS)
rlm_plot <- ggplot(mpg, aes(displ, hwy)) +
  geom_point() +
  geom_smooth(method = "rlm") +
  ggthemes::theme_pander()
rlm_plot

일반선형회귀모델의 결과와 로버스트 선형회귀모델의 결과를 나란히 보여주어 비교하기 편하게 할 수 있습니다. patchwork 패키지는 ggplot의 플롯들을 하나로 결합시켜주는 유용한 패키지입니다.

# install.packages('devtools')
# devtools::install_github("thomasp85/patchwork")
library(patchwork)

lm_plot + rlm_plot + plot_layout(ncol = 1)

지터(Jitter) 플롯과 박스플롯

다시 데이터로 돌아와서, 만약에 우리가 자동차 구동방식에 따른 연료의 가성비에 관심이 있다고 해보겠습니다. 산포도를 그려볼 수 있겠죠?

ggplot(mpg, aes(drv, hwy)) +
  geom_point() + theme_bw()

뭐랄까, 그다지 정보를 파악하는 데 유용해보이지는 않습니다. 왜냐하면 저 점들이 하나의 관측치가 아니라 같은 값들을 가진 관측치들이 “겹쳐있기” 때문입니다. 관측치들의 집중도를 살펴보기 위해서는 투명도를 조정해주면 됩니다.

ggplot(mpg, aes(drv, hwy)) +
  geom_point(alpha = .25) + theme_bw()

혹은 hex를 이용해 농도로 관측치들의 집중도를 나타내줄 수 있습니다.

ggplot(mpg, aes(drv, hwy)) +
  geom_hex() + theme_bw()

하지만 보다 일반적으로 사용되는 방법은 지터 플롯을 이용하는 것입니다. 지터 플롯은 무작위 노이즈를 값에 더해서 점들이 미묘하게 다른 값을 가지게 해 산포도를 알아보기 쉽게 “옆으로” 퍼트리는 것이라고 볼 수 있습니다.

ggplot(mpg, aes(drv, hwy)) +
  geom_jitter() + theme_bw()

자동차 구동방식에 따라 나타내고자 하였기 때문에 알아보기 쉽게 색을 더해보도록 하겠습니다.

ggplot(mpg, aes(drv, hwy, color = drv)) +
  geom_jitter() + theme_bw()

이와 유사한 정보를 주는 다른 종류의 플롯으로는 박스플롯과 바이올린 플롯이 있습니다. 참고로 박스플롯의 안에 그려진 선은 평균이 아니라 중앙값(median)입니다.

box <- ggplot(mpg, aes(drv, hwy)) + geom_boxplot() + theme_bw()
violin <- ggplot(mpg, aes(drv, hwy)) + geom_violin() + theme_bw()
box + violin + plot_layout(ncol = 2)

히스토그램과 폴리곤 플롯도 어렵지 않게 ggplot으로 그릴 수 있습니다. 박스플롯이 서로 다른 두 변수 간의 관계를 보여주는 데 유용하다면, 히스토그램과 빈도폴리곤은 하나의 연속형 변수의 분포를 보여줄 때 사용합니다.

hist <- ggplot(mpg, aes(hwy)) + geom_histogram() + theme_bw()
poly <- ggplot(mpg, aes(hwy)) + geom_freqpoly() + theme_bw()
dens <- ggplot(mpg, aes(hwy)) + geom_density() + theme_bw()
hist + poly + dens + plot_layout(ncol = 1)

만약 원한다면 구간(binning)을 특정해줄 수도 있습니다.

ggplot(mpg, aes(hwy)) + geom_freqpoly(binwidth = 2.5) + theme_bw()

ggplot(mpg, aes(hwy)) + geom_freqpoly(binwidth = 1) + theme_bw()

연속형 변수를 대상으로 histogram 등을 사용한다면, 이번에는 이산형 변수의 분포를 알아볼 때 유용한 막대플롯을 살펴보겠겠습니다. 당연히 geom_bar() 함수를 사용합니다.

ggplot(mpg, aes(manufacturer)) +
  geom_bar() + 
  scale_x_discrete(guide = guide_axis(n.dodge=3))+
  theme_bw()

막대 플롯과 같은 경우, 우리가 가진 데이터를 요약해서 보여주지만, 요약된 자료 그 자체를 가지고 바로 막대플롯으로도 만들 수 있습니다. 예를 들어, 아래와 같은 데이터가 있다고 해보겠습니다.

drugs <- data.frame(
  drug = c("a", "b", "c"),
  effect = c(4.2, 9.7, 6.1)
)

만약 이 경우, 우리는 ggplot에게 “이미 이 데이터는 요약된 정보를 가진 데이터야” 라는 것을 알려주기 위해 stat = "identity" 라는 특성을 제공합니다.

ggplot(drugs, aes(drug, effect)) + 
  geom_bar(stat = 'identity') + theme_bw()

막대 플롯을 그리는 데에는 geom_col()도 이용할 수 있습니다/

ggplot(drugs, aes(drug, effect)) + geom_col() + theme_bw()

라인 플롯은 관측치—점들을 왼쪽에서 오른쪽으로 이어주는 플롯이고, 반대로 경로 플롯(path plot)은 데이터셋에 나타나는 순서대로 이어주는 플롯입니다. 즉, 라인 플롯은 x의 값대로 정렬된 형태의 경로 플롯이라고 이해하실 수 있습니다.

temp_data <- tibble(
  x = sample(1:100, 25, replace = F),
  y = rnorm(25, 10, 2)
)

## 라인 플롯입니다.
temp_data %>%
  ggplot(aes(x = x, y = y)) + geom_line() + theme_bw()

## 경로 플롯입니다.
temp_data %>%
  ggplot(aes(x = x, y = y)) + geom_path() + theme_bw()

## x 값을 정렬한 경로 플롯입니다.
temp_data %>%
  arrange(x) %>%
  ggplot(aes(x = x, y = y)) + geom_path() + theme_bw()

축 수정(Modifying Axes)

축의 제목을 수정하기 위해서는 각각의 축에 대해 xlab(), ylab()을 사용하거나 혹은 labs()를 이용해 한 번에 수정하는 방법이 있습니다.

ggplot(mpg, aes(cty, hwy)) +
  geom_point(alpha = 1 / 3) +
  xlab("city driving (mpg)") +
  ylab("highway driving (mpg)") + 
  theme_bw()

# 축 제목을 모두 없애보겠습니다/
ggplot(mpg, aes(cty, hwy)) +
  geom_point(alpha = 1 / 3) +
  xlab(NULL) +
  ylab(NULL) + 
  theme_bw()

# labs()를 이용해서 한 번에 간편하게 할 수도 있습니다.
ggplot(mpg, aes(cty, hwy)) +
  geom_point(alpha = 1 / 3) +
  labs(x = "city driving (mpg)", y = "highway driving (mpg)") + 
  theme_bw()

각 축의 값의 범주를 조정할 수도 있습니다. 이때 필요한 함수들은 xlim(), ylim(), 그리고 lims() 입니다.

ggplot(mpg, aes(drv, hwy)) +
  geom_jitter(width = 0.25) + theme_bw()

## 구동 종류를 두 가지로 줄이고, hwy도 20부터 30으로 값을 줄이겠습니다.
ggplot(mpg, aes(drv, hwy)) +
  geom_jitter(width = 0.25) +
  lims(x = c("f", "r"), y = c(20, 30)) + 
  theme_bw()

## 연속형 변수일 경우, 한쪽만 제한(상한선, 하한선)하고 싶을 때는 NA를 이용합니다. 아래는 상한만 30으로 설정한 경우입니다.
ggplot(mpg, aes(drv, hwy)) +
  geom_jitter(width = 0.25, na.rm = TRUE) +
  ylim(NA, 30) + theme_bw()

## 만약 플롯의 특정한 부분만 자세히 살펴보려면 coord_cartisian()이라는 함수를 이용할 수 있습니다.
ggplot(mpg, aes(drv, hwy)) +
  geom_jitter(width = 0.25) +
  coord_cartesian(y = c(20, 30)) + theme_bw()

여기서 한 가지 팁은 directlabels라는 패키지입니다. 이 패키지를 이용하면 범례를 이용하지 않고도 더 깔끔한 여러 가지 색상을 이용할 수 있습니다.

# install.packages('directlabels')
ggplot(mpg, aes(displ, hwy, colour = class)) +
  geom_point() + theme_bw()

ggplot(mpg, aes(displ, hwy, colour = class)) +
  geom_point(show.legend = FALSE) +
  directlabels::geom_dl(aes(label = class), method = "smart.grid") +
  theme_bw()

플롯에 우리가 필요로 하는 정보를 기록할 수 있습니다. annotation이라고 하는데요.

• `geom_text()는 텍스트를 직접 플롯에 덧붙이거나 혹은 특정 한 점 관측치에 레이블을 새길 때 주로 사용합니다. 이탈치나 어떤 중요한 의미를 가지는 관측치에 한에서 레이블을 달아주면 플롯에 이해가 쉬워집니다.

• geom_rect()은 플롯에서 관심있는 부분을 사각형의 형태로 하이라이트 해줄 수 있습니다.

• geom_rect()는 xmin, xmax, ymin, ymax와 같은 미학요소들을 이용해서 사각형을 그릴 수 있습니다.

• geom_line(), geom_path(), 그리고 geom_segment()는 선을 덧그리는 데 사용됩니다.

  • 이 세 geom 함수들은 모두 화살표 요소를 가지고 있어서 선 끝에 화살표를 달 수 있습니다. arrow() 함수가 바로 그것입니다. angle(), length(), end(), type() 등으로 다양한 길이와 모양의 화살표를 그릴 수 있습니다.

• geom_vline(), geom_hline(), 그리고 geom_abline()은 일종의 기준선을 그릴 수 있게 도와줍니다.

glimpse(economics)

## Rows: 574
## Columns: 6
## $ date     <date> 1967-07-01, 1967-08-01, 1967-09-01, 1967-10-01, 1967-11-0...
## $ pce      <dbl> 506.7, 509.8, 515.6, 512.2, 517.4, 525.1, 530.9, 533.6, 54...
## $ pop      <dbl> 198712, 198911, 199113, 199311, 199498, 199657, 199808, 19...
## $ psavert  <dbl> 12.6, 12.6, 11.9, 12.9, 12.8, 11.8, 11.7, 12.3, 11.7, 12.3...
## $ uempmed  <dbl> 4.5, 4.7, 4.6, 4.9, 4.7, 4.8, 5.1, 4.5, 4.1, 4.6, 4.4, 4.4...
## $ unemploy <dbl> 2944, 2945, 2958, 3143, 3066, 3018, 2878, 3001, 2877, 2709...

## 시간의 흐름에 따른 미국의 실업자 수의 변화를 나타내보겠습니다.
ggplot(economics, aes(date, unemploy)) +
  geom_line() + theme_bw()

## 미국 대통령의 재임기간입니다.
presidential <- presidential %>%
  dplyr::filter(start > economics$date[1])
presidential

## 이 두 가지 자료를 합해보면 다음과 같습니다.
ggplot(economics) +
  geom_rect(
    aes(xmin = start, xmax = end, fill = party),
    ymin = -Inf, ymax = Inf, alpha = 0.2,
    data = presidential
  ) +
  geom_vline(
    aes(xintercept = as.numeric(start)),
    data = presidential,
    colour = "grey50", alpha = 0.5
  ) +
  geom_text(
    aes(x = start, y = 2500, label = name),
    data = presidential,
    size = 3, vjust = 0, hjust = 0, nudge_x = 50
  ) +
  geom_line(aes(date, unemploy)) +
  scale_fill_manual(values = c("blue", "red")) +
  theme_bw() + theme(legend.position = "top")

우리는 geom을 이용해서 데이터 하나를 가지고 여러 가지 층위를 덧씌워 다양한 정보를 가진 플롯으로 재생산할 수 있습니다.

이제까지는 개별 geom을 하나씩 적용해서 살펴보았습니다만, 이 geom들을 하나의 ggplot 내에서 동시에 집합적으로 사용할 수 있습니다.

data(Oxboys, package = 'nlme')
df <- as_tibble(Oxboys)
df

ggplot(Oxboys, aes(age, height)) +
  geom_point() +
  geom_line() + theme_bw()

ggplot(Oxboys, aes(age, height, group = Subject)) +
  geom_point() +
  geom_line() + theme_bw()

척도, 범례

척도는 축과 범례를 만드는 도구로, 데이터를 어떠한 단위로 표현할 것인가에 사용됩니다.

ggplot(mpg, aes(displ, hwy)) + 
  geom_point(aes(colour = class)) + theme_bw()

ggplot(mpg, aes(displ, hwy)) + 
  geom_point(aes(colour = class)) + 
  scale_x_continuous(breaks = c(seq(0, 7, 0.5))) + 
  scale_y_continuous() + 
  scale_color_discrete() + theme_bw()

scale 함수를 통해서 원하는 축 제목을 바로 넣을 수도 있습니다.

ggplot(mpg, aes(displ, hwy)) + 
  geom_point(aes(colour = class)) + 
  scale_x_continuous("A really awesome x axis ") + 
  scale_y_continuous("An amazingly great y axis ") + theme_bw()

geom과는 다르게 scale에서 +를 사용하게 되면 이전에 사용한 scale을 덮어쓰게 됩니다.

ggplot(mpg, aes(displ, hwy)) + 
  geom_point() + 
  scale_x_continuous("Label 1") + 
  scale_x_continuous("Label 2") + theme_bw()

## 서로 다른 스케일을 동시에 사용할 수도 있습니다.
ggplot(mpg, aes(displ, hwy)) + 
  geom_point(aes(colour = class)) + 
  scale_x_sqrt() + 
  scale_colour_brewer() + theme_bw()

scale은 _를 이용해서 세부 함수들이 구성되어 있습니다. 크게 세 부분으로 나뉘는데, 1. scale 2. scale을 적용할 미학 요소의 이름 (예, colour, shape 또는 x) 3. scale의 이름 (예, continuous, discrete, brewer).

df <- data.frame(x = 1:2, y = 1, z = "a")
p <- ggplot(df, aes(x, y)) + geom_point()
p + scale_x_continuous("X axis")

p + scale_x_continuous(quote(a + mathematical ^ expression))

한편, ggplot에서는 직접적으로 범례를 건드리지는 않습니다. 대신에 데이터를 수정해서 애초에 범례가 원하는 대로 깔끔하게 나오도록 하는 것이 일반적입니다.

우리는 scales 패키지를 이용해서 축에 레이블을 다양한 척도로 매길 수 있습니다.

• scales::comma_format() 큰 숫자에 자동으로 콤마를 넣어줍니다.

• scales::unit_format(unit, scale)은 원래의 scale에 단위를 넣어줍니다/

• scales::dollar_format(prefix, suffix)은 현재의 값을 소수점 둘째 자리로 반올림해서 달러로 표현해줍니다.

• scales::wrap format()은 길이가 긴 레이블을 몇 개의 줄로 줄바꿈해줍니다.

  • axes + scale_y_continuous(labels = scales::percent_format())
  • axes + scale_y_continuous(labels = scales::dollar_format(prefix = “$”))

테마

마지막으로 테마 함수는 데이터가 아닌 플롯의 요소들을 관리하는 데 사용됩니다. 플롯의 배경색, 범례 위치, 제목 크기, 글꼴 등을 변경하는 데 사용됩니다.

ggplot(mpg, aes(cty, hwy, color = factor(cyl))) + geom_jitter() +
  geom_abline(colour = "grey50", size = 2) + 
  labs(
    x = "City mileage/gallon",
    y = "Highway mileage/gallon",
    colour = "Cylinders",
    title = "Highway and city mileage are highly correlated"
  ) +
  scale_colour_brewer(type = "seq", palette = "Spectral") + 
  theme_bw() + 
  theme(
    plot.title = element_text(face = "bold", size = 12),
    legend.background = 
      element_rect(fill = "white", size = 4, colour = "white"), 
    legend.justification = c(0, 1),
    legend.position = c(0, 1),
    axis.ticks = element_line(colour = "grey70", size = 0.2),
    panel.grid.major = element_line(colour = "grey70", size = 0.2), 
    panel.grid.minor = element_blank()
  )

기존에 이미 ggplot이 제공하는 테마로는 theme_bw(), theme_linedraw(), theme_light(), theme_dark(), theme_minimal(), theme_classic(), 그리고 theme_void() 등이 있습니다. 이외에도 ggthemes와 같은 패키지를 통해 추가로 다른 theme을 찾아볼 수 있습니다.

마지막으로 theme의 개별 요소들을 수정하기 위해서는 다음과 같은 코드를 사용합니다: plot + theme(element.name = element function())